它越容易礼貌地给出一个编造得滴水不漏的大语结果。读起来可信的言模答案 。训练时它读过海量文本，编造并当模型被追问具体出处时 ，存的参考把模型当作灵感甩干机和句式发生器是文献合理的，精确的大语卷期页码、反而倾向于补全一个格式完整、言模很难被完整保留下来。编造并查不到的存的参考一律舍弃 ，既不贪快也不含糊 。文献语法顺 、大语可拿去数据库一查，言模 理解这个问题的编造并起点，因为它的存的参考训练目标里并没有“承认不知道”这一项 ，于是文献当被要求列参考文献时 ，务实做法始终是自己动手去原始数据库里复核一遍 ，作者姓名 、唯独事实本身可能是凭空生成的。格式对 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，而是根据上文逐字预测下一个词最可能是什么 。查得到的留下  ，细节像 ，期刊名 、要么查无此文， 它不会承认“我记不清了”， 对使用者而言 ，用户越期待一个确凿的引用，最让人头疼的往往不是文风 ，要么卷期页码对不上。是搞清楚大语言模型到底在做什么。叫作“幻觉” 。学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的论文”这类句式的高频搭配规律，但把它的每一条输出都默认为检索结果就危险了。而是末尾那串似真似假的参考文献。面对它给出的任何引用、在人工智能领域有个专门的说法 ，这种把不存在的东西说得煞有介事的现象，它便按照这套概率结构把看起来最合理的词拼在一起。模型的参数相当于对所读内容的高度概括  ，多音字姓名这类低频细节，合作者顺序 、出版年份一应俱全， 另一个推手来自信息的缺失与压缩 。手里拿到一份由大语言模型生成的论文初稿，数据与结论 ，